Phát triển mô hình học máy cây quyết định và cây quyết định xen kẽ thành lập bản đồ dự báo không gian sạt lở đất tại huyện Mường Nhé, tỉnh Điện Biên, Việt Nam

Journal of Science and Transport Technology
University of Transport Technology

Development of decided tree model and
alternating decision tree models for spatial
prediction of landslides at Muong Nhe
district, Dien Bien Province, Vietnam
Nguyen Duc Dam1*, Le Van Hiep1, Nguyen Thanh Tuan1, Tran Van Phong2,
Binh Thai Pham1
1University
2Institute

Article info
Type of article:
Original research paper
*Corresponding author:
E-mail address:

Received:
November 30, 2021
Accepted:
January 03, 2022
Published:
March 11, 2022

of Transport Technology, Hanoi 100000, Vietnam

of Geological Sciences, Hanoi 100000, Vietnam

Abstract: Landslide spatial prediction map is a useful tool for effective
management of landslides of an area. In this study, we adopted

machine approach based on alternating decision tree (ADT) and
decision tree (DT) to predict landslides spatially at Muong district,
Dien Bien Province, Vietnam. In this study, a total of 159 landslide
past landslides were identified and 12 conditioning factors including:
slope, aspect, curvature, elevation, distance to faults, NDVI, flow
accumulation, TWI, SPI, geological, distance to rivers, distance to
roads were used to build spatial database for landslide spatial
modeling. Validation and comparison of the models was done using
statistical indicators including ROC / AUC curves. The results show
that performance of both ADT and DT is good for spatial prediction of
landslides but ADT model (AUCtrain = 0.928, AUCtest = 0.887) is
better than DT model (AUCtrain = 0.915, AUCtest = 0.800). Map of
landslide spatial prediction at Muong Nhe District can be used in land
use planning for better landslide hazard management.
Keywords: Landslide, Alternating Decision Tree, Decision Tree, Dien
Bien, Viet Nam, Landslide susceptibility map.

JSTT 2022, 2 (1), 36-56

/>

Tạp chí điện tử
Khoa học và Cơng nghệ Giao thơng
Đại học Cơng nghệ Giao thơng vận tải

Phát triển mơ hình học máy cây quyết định
và cây quyết đinh xen kẽ thành lập bản đồ
dự báo không gian sạt lở đất tại huyện
Mường Nhé, tỉnh Điện Biên, Việt Nam
Nguyễn Đức Đảm1, Lê Văn Hiệp1, Nguyễn Thanh Tuấn1, Trần Văn Phong2,

Phạm Thái Bình1
1Trường
2Viện

Đại học Cơng nghệ GTVT, Hà Nội, Việt Nam

Địa chất, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, Hà Nội, Việt

Nam
Thông tin bài viết
Dạng bài viết:
Bài báo khoa học
*Tác giả liên hệ:
Địa chỉ E-mail:

Ngày nộp bài:
30/11/2021
Ngày chấp nhận:
03/01/2022
Ngày đăng bài:
11/3/2022

Tóm tắt: Bản đồ dự báo khơng gian sạt lở đất (Bản đồ nhạy cảm sạt
lở đất) là một cơng cụ hữu ích để quản lý hiệu quả sạt lở đất của một
khu vực. Trong nghiên cứu này, chúng tôi áp dụng phương pháp tiếp
cận máy học dựa trên hai thuật toán cây quyết định xen kẽ (ADT) và
cây quyết định (DT) để lập bản đồ dự báo không gian sạt lở lở đất tại
huyện Mường Nhé, tỉnh Điện Biên. Trong nghiên cứu này, 159 vị trí
sạt lở đã được xác định và 12 yếu tố ảnh hưởng bao gồm: góc mái
dốc, hướng mái dốc, hình dáng bề mặt địa hình, độ cao địa hình,

khoảng cách đứt gãy, bao phủ thực vật (NDVI), tích lũy dịng chảy,
độ ẩm địa hình (TWI), sức mạnh dịng chảy (SPI), địa chất, khoảng
cách đến sông suối, khoảng cách đến đường giao thông đã được sử
dụng để xây dựng cơ sở dữ liệu sử dụng cho các mơ hình sạt lở đất.
Việc đánh giá và so sánh độ chính xác của các mơ hình được thực
hiện sử dụng các chỉ số thống kê bao gồm đường cong ROC/AUC.
Kết quả nghiên cứu cho thấy rằng các mơ hình cây quyết định ADT
và DT có độ chính xác cao trong xây dựng bản đồ dự báo khơng gian
sạt lở đất, trong đó mơ hình ADT (AUCtrain = 0.928, AUCtest = 0.887)
có độ chính xác cao hơn so với mơ hình DT (AUCtrain = 0.915,
AUCtest = 0.800). Bản đồ dự báo không gian sạt lở đất huyện Mường
Nhé được xây dựng có thể được sử dụng trong quy hoạch sử dụng
đất nhằm quản lý tốt hơn thiên tai sạt lở đất tại khu vực nghiên cứu.
Từ khóa: Sạt lở đất, cây quyết định, Cây quyết định xem kẽ, Điện
Biên, Việt Nam, Bản đồ dự báo không gian sạt lở đất.

1. Giới thiệu
Sạt lở đất là một trong những thảm họa thiên
nhiên phổ biến trên thế giới, gây ra thiệt hại lớn về
con người, kinh tế và môi trường [1]. Tác động của

JSTT 2022, 2 (1), 36-56

sạt lở đất được dự đoán sẽ tăng trong các năm
tiếp theo với sự phát triển nhanh chóng của đơ thị
hóa, nạn phá rừng và biến đổi khí hậu [1]. Đặc biệt
khu vực châu Á được đánh giá là nơi xảy ra nhiều

/>

JSTT 2022, 2 (1), 36-56
vụ sạt lở nhất chiếm 65.2% và có xu hướng xảy ra
cao hơn vào mùa mưa [1]. Ở Việt Nam, khoảng
22% sự cố lở đất xảy ra trong giai đoạn tháng 7
đến tháng 9 với lượng mưa lớn từ 300 - 700 mm
mỗi tháng gây ra thiệt hại lớn về tài sản. Một trong
những biện pháp chính để giảm giảm thiểu thiệt
hại do sạt lở đất là lập bản đồ dự báo không gian
sạt lở đất. Bản đồ dự báo không gian sạt lở đất là
một cơng cụ hữu ích để khoanh vùng nguy cơ cao
xảy ra mất ổn định mái dốc, dự báo các vụ sạt lở
đất có thể xảy ra trong tương lai để từ đó đưa ra
các biện pháp phịng tránh cũng như giảm thiểu
tối đa hậu quả của thiên tai này để lại [2].
Nghiên cứu về sạt lở đất đã được thực hiện
ở rất nhiều khu vực trên thế giới sử dụng nhiều
phương pháp khác nhau. Các phương pháp
truyền thống như: mô hình hồi quy Logistic [2], tỷ
số tần suất (FR) [1], phương pháp phân tích thứ
bậc (AHP) [1], chỉ số thống kê [1], mơ hình trọng
số dẫn chứng (WOE) [1]… các mơ hình này được
đánh giá là có kết quả khơng chắc chắn và thiếu
độ tin cậy. Trong những năm gần đây, trí tuệ nhân
tạo trong đó có học máy đã và đang được áp dụng
hiệu quả trong việc dự báo, đánh giả sạt lở đất ở
nhiều khu vực trên thế giới và cho những kết quả
rất triển vọng. Một số mơ hình đã được áp dụng
Logistic Model Tree, Random Forest, và
Classification and Regression Tree cho việc dự
báo không gian sạt lở đất tại khu vực Long County,

Trung Quốc [3]. Kết quả của nghiên cứu này chỉ
ra rằng, các mơ hình được áp dụng cho các kết
quả dự báo chính xác cao với độ chính xác trên
80% trong đó mơ hình Rừng ngẫu nhiên có độ
chính xác cao hơn so với hai mơ hình cịn lại. Các
thuật tốn điển hình đã được áp dụng cho sạt lở
đất có thể kể đến như Máy véc tơ hỗ trợ [4], Mạng
thần kinh nhân tạo [5], Cây quyết định [6], Hệ
thống suy luận mờ thích ứng [7]… Các nghiên cứu
này cho thấy các mơ hình học máy được dùng để
dự báo sạt lở đất có độ chính xác cao và được
thực hiện ở nhiều khu vực trên thế giới.
Trong nghiên cứu này, nhóm tác giả đã sử
dụng mơ hình học máy phổ biến hiện nay: Cây
quyết định (DT) và cây quyết định xen kẽ (ADT)

Nguyễn và nnk
trong việc đánh giá và phân vùng nguy cơ sạt lở
đất. Mơ hình cây quyết định về cơ bản là thuật tốn
học có giám sát và được áp dụng cho cả 2 bài toán
phân loại (Classification) và hồi quy (Regression),
tuy nhiên bài toán phân loại được sử dụng nhiều
hơn [1]. Khu vực được lựa chọn nghiên cứu là
huyện Mường Nhé, tỉnh Điện Biên, Việt Nam khu
vực này có địa hình đồi núi hiểm trở và thường
xuyên hứng chịu những trận mưa lớn gây hậu quả
sạt lở đất nghiêm trọng.
2. Khu vực nghiên cứu
Mường Nhé là một huyện miền núi tây bắc
Việt Nam có tọa độ địa lý kinh độ 102°8' Đơng, vĩ

độ 22°44' (Hình 1) Bắc với tổng diện tích vào
khoảng 2507,9 km2. Phía Tây Bắc giáp tỉnh Vân
Nam, Trung Quốc. Phía Tây và Tây Nam giáp Lào.
Phía Nam giáp huyện Mường Chà tỉnh Điện Biên.
Phía Đơng và Đơng Bắc giáp huyện Mường Tè
tỉnh Lai Châu.
Về địa hình, do ảnh hưởng của các hoạt
động kiến tạo nên địa hình của Mường Nhé rất
phức tạp, chủ yếu là đồi núi dốc, hiểm trở và chia
cắt mạnh bởi sông suối. Được cấu tạo bởi những
dãy núi chạy dài theo hướng Tây Bắc - Đông Nam
với độ cao biến đổi từ 291m đến hơn 1.866m. Địa
hình thấp dần từ Bắc xuống Nam và nghiêng dần
từ Tây sang Đông. Khu vực nghiên cứu thường
xuyên bị ảnh hưởng bởi hệ thống đứt gãy kiến tạo
phát triển rất mạnh mẽ bao gồm hệ thống đứt gãy
có phương Tây Bắc - Đơng Nam [8] và có địa chất
được phân thành các nhóm khác nhau bao gồm:
nhóm Cretaceous,Paleogene, Permian, Triassic.
Mường Nhé nằm trong vùng khí hậu nhiệt
đới gió mùa, mùa đơng lạnh khơ, mùa hè nóng ẩm,
mưa nhiều. Nhiệt độ trung bình từ 22oC - 23oC, có
độ ẩm trung bình hang năm khoảng 81 - 84%.
Lượng mưa trung bình hàng năm từ 1400 1500mm nhưng khơng đều theo thời gian, lượng
mưa tập trung vào tháng 5 - 9 chiếm 75 - 92%
lượng mưa cả năm nên thường xuyên xảy ra sạt
lở đất và mưa lũ trên các sông suối gây ảnh hưởng
rất lớn đến kinh tế, đời sống của con người.

39

JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

Hình 1. Vị trí khu vực nghiên cứu và hiện trạng sạt lở đất
3. Thu thập và phân tích kết quả
3.1. Hiện trạng sạt lở đất khu vực nghiên cứu
Hiện trạng sạt lở đất là điều kiện cần thiết để
dự đoán sạt lở đất trong tương lai [1]. Trong
nghiên cứu này, vị trí khơng gian của các điểm sạt
lở đất đã xảy ra trong quá khứ đã được lấy từ tài

liệu lưu trữ lịch sử của Sở Tài nguyên và Môi
trường tỉnh Điện Biên và điều tra thực địa kết hợp
với giải đốn hình ảnh vệ tinh sử dụng Google
Earth (Hình 2). Sau khi kiểm chứng, các điểm sạt
lở được tổng hợp lại dựa trên phần mềm GIS và
các khối trượt được coi là một điểm và hiển thị trên
bản đồ hiện trạng. Tổng cộng có 159 điểm sạt lở

40


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

đất đã xảy ra trong quá khứ tại khu vực và được

sử dụng để nghiên cứu bản đồ dự báo không gian
sạt lở đất. Trong đó, chọn ngẫu nhiên 111 (70%)
điểm sạt lở để phục vụ công tác xây dựng bản đồ

nguy cơ sạt lở đất và 48 (30%) điểm sạt lở để phục
vụ cơng tác kiểm tra và đánh giá độ chính xác bản
đồ đã xây dựng [2].

Nguồn: />Hình 2. Hình ảnh sạt lở đất tại huyện Mường Nhé
3.2. Các yếu tổ ảnh hưởng đến sạt lở đất
Việc lựa chọn các tham số nguyên nhân gây
ra sạt lở đất là một trong những bước quan trọng
để đánh giá nguy cơ của sạt lở đất khu vực [4].
Khảo sát điều tra quá trình sạt lở đất xảy ra trong
quá khứ chỉ ra rằng các tham số tác động đến q
trình sạt lở đất có liên quan đến địa hình địa mạo,
địa chất thủy văn, quá trình sử dụng đất, điều kiện
khí hậu và các ngun nhân gây ra bởi con người
như quá trình cắt xẻ bờ dốc để xây dựng các tuyến
đường. Trong nghiên cứu này, có tổng cộng 12
tham số được đánh giá và lựa chọn để xây dựng
bản đồ phân vùng sạt lở đất tại Mường Nhé bao
gồm: góc mái dốc, hướng mái dốc, hình dáng bề
mặt địa hình, độ cao địa hình, khoảng cách đứt
gãy, độ bao phủ thực vật (NDVI), tích lũy dịng
chảy, độ ẩm địa hình (TWI), sức mạnh dịng chảy
(SPI), địa chất, khoảng cách đến sông suối,
khoảng cách đến đường giao thông. Số liệu đầu
vào để xây dựng bản đồ dự báo bao gồm bản đồ
địa chất, đứt gãy được thu thập từ việc điều tra và

nguồn
dữ
liệu
quốc
gia
( với tỷ lệ 1: 200.000. Ngồi ra, bản
đồ góc mái dốc, hướng mái dốc, hình dáng bề mặt

địa hình, độ cao địa hình số DEM với độ phân giải
30m đã thu thập được dữ liệu từ Earthexplorer
(). Mối quan hệ
không gian giữa sạt lở đất và yếu tố ảnh hưởng
đến sạt lở được phân tích bằng tỷ số tần suất (FR)
theo Bảng 1.
3.2.1. Góc mái dốc
Góc mái dốc là một trong những yếu tố quan
trọng ảnh hưởng tới quá trình xảy ra sạt lở đất [9].
Sạt lở đất thường xảy ra trên các mái dốc có góc
dốc từ 15 -54o và thường ít khi xảy ra trên các mái
dốc có độ dốc nhỏ 0 – 10o. Bản đồ này được xây
dựng với các lớp khác nhau bao gồm 9 lớp: 0 8.332718, 8.332719 - 13.97747, 13.97747 18.81582, 18.81582 - 23.11658, 23.11658 27.14853, 27.14853 - 31.18049, 31.18049 35.75004, 35.75004 - 41.93238, 41.93238 68.54333 (Hình 3.a). Phân tích tỷ số tần suất (FR)
cho thấy rằng sạt lở xảy ra lớn nhất ở lớp 6
(27.14853 - 31.18049) với FR = 1.73.
3.2.2. Hướng mái dốc
Hướng mái dốc là yếu tố quan trọng tác
động đến quá trình xảy ra sạt lở đất bởi vì nó ảnh
hưởng tới độ ẩm của vật liệu hình thành mái dốc

41

JSTT 2022, 2 (1), 36-56
[8]. Trong nghiên cứu này, bản đồ hướng mái dốc
được trích xuất từ mơ hình địa hình số DEM 30m
với các lớp khác nhau bao gồm: Mặt bằng, Bắc,
Đông bắc, Đông, Đông nam, Nam, Tây nam, Tây,
Tây bắc (Hình 3.b). Phân tích tỷ số tần suất (FR)
cho thấy rằng sạt lở xảy ra lớn nhất ở lớp Tây Nam
với FR = 1.84.
3.2.3. Hình dáng bề mặt địa hình
Hình dáng bề mặt địa hình ảnh hưởng đến
quá trình xảy ra sạt lở đất bởi vì dịng nước và q
trình tích tụ nước mặt phụ thuộc đáng kể vào hình
dáng bề mặt của địa hình [2]. Sạt lở đất thường
xảy ra ở khu vực có bề mặt địa hình lõm hơn các
khu vực địa hình bằng phẳng và địa hình lồi do
nước mặt thường tích tụ ở địa hình lõm nhiều hơn.
Trong nghiên cứu này, bản đồ hình dáng bề mặt
địa hình được trích xuất từ mơ hình độ cao số
DEM 30m với 3 lớp như lõm (< -0.05), mặt bằng (0.05 – 0.05) và lồi (> 0.05) (Hình 3.c). Phân tích tỷ
số tần suất (FR) cho thấy rằng sạt lở xảy ra lớn
nhất ở lớp 1 với FR = 1.208.
3.2.4. Độ cao địa hình
Độ cao địa hình ảnh hưởng tới quá trình xảy
ra sạt lở đất do ở các độ cao địa hình khác nhau
mức độ phong hóa của các loại đất đấ trên mái
dốc là khác nhau [10]. Trong nghiên cứu này, bản
đồ độ cao địa hình được trích xuất từ mơ hình độ
cao số DEM 30m và được chia thành 9 lớp: 291 570, 570 - 679, 679 - 786, 786 - 894, 894 - 1008,
1008 - 1139, 1139 - 1290, 1290 - 1464, 1290 1464 (Hình 3.d). Kết quả phân tích tỷ số tần suất

(FR) cho thấy rằng sạt lở xảy ra lớn nhất ở lớp 291
– 570m với FR = 4.785.
3.2.5. Bao phủ thực vật (NDVI)
Sạt lở đất có liên quan chặt chẽ với bao phủ
thực vật. Các khu vực có mật độ che phủ thấp sẽ
gây ra sạt lở lớn hơn với khu vực có độ che phủ
thực vật cao [3]. Bản đồ bao phủ thực vật (NDVI)
được lấy từ hình ảnh dữ liệu vệ tinh với và được
chia thành 6 lớp: 0.00492 - 0.15494, 0.15494 0.20495, 0.20495 - 0.24603, 0.24603 - 0.28353,
0.28353 - 0.32283, 0.32283 - 0.46213 (Hình 3.e).
Kết quả phân tích tỷ số tần suất (FR) cho thấy rằng
sạt lở xảy ra lớn nhất ở lớp 0.15494 - 0.20495 với
FR = 3.59.

Nguyễn và nnk
Giá trị NDVI được tính tốn bằng phương
trình sau:
NDVI = (NIR - R)/(NIR + R)
(1)
Trong đó, NIR là giá trị hồng ngoại và R là
phần màu đỏ tương ứng.
3.2.6. Địa chất
Ảnh hưởng của điều kiện địa chất, kiến tạo
được coi là một nhân tố cơ bản gây ra quá trình
sạt lở đất, đặc biệt thành phần thạch học là một
trong những nhân tố quan trọng nhất ảnh hưởng
đến sự ổn định của sườn. Các đá có độ bền thấp
dễ có xu hướng phong hố thành các vật liệu kém
bền vững [11]. Bản đồ địa chất được thu thập từ
nguồn dữ liệu quốc gia với tỷ lệ 1:200.000. Các

lớp địa chất khu vực bao gồm: Nhóm Cretaceous,
Paleogene, Permian, Triassic (Hình 3.f). Kết quả
phân tích tỷ số tần suất (FR) cho thấy rằng sạt lở
xảy ra lớn nhất ở lớp 2 (Paleogene) với FR = 4.31.
3.2.7. Khoảng cách đứt gãy
Đứt gãy là sản phẩm của các chuyển động
kiến tạo gây sự mất liên tục trong đất đá trên mái
dốc, vì vậy, ảnh hưởng đến quá trình xảy ra sạt lở
đất [12]. Trong nghiên cứu này, khoảng cách tới
các đứt gãy được lựa chọn là yếu tố nguyên nhân
ảnh hưởng tới quá trình sạt lở đất. Hệ thống các
đứt gãy được trích xuất từ bản đồ địa chất với tỷ
lệ 1: 200.000. Bản đồ khoảng cách tới các đứt gãy
được thành lập với 6 lớp: 0 - 100, 100 - 200, 200
- 300, 300 - 400, 400 - 500, > 500 (Hình 3.g). Phân
tích tỷ số tần suất (FR) cho thấy rằng sạt lở xảy ra
lớn nhất ở lớp 400 – 500m với FR = 1.855.
3.2.8. Tích lũy dịng chảy
Tích lũy dòng chảy được một số nhà nghiên
cứu coi là một yếu tố điều hòa quan trọng để lập
bản đồ nhạy cảm sạt lở đất. Nó được sử dụng để
xác định dịng chảy hoặc dịng chảy tiềm năng của
sơng và suối [1]. Bản đồ tích lũy dịng chảy được
thành lập bằng phần mềm Arcgis và được chia
thành 6 lớp: 0 -103, 103 - 400, 400 - 930, 930 1868, 1868 - 3675, 3675 - 8956 (Hình 3.h). Phân
tích tỷ số tần suất (FR) cho thấy rằng sạt lở xảy ra
lớn nhất ở lớp 0 -103 với FR = 1.02.
3.2.9. Sức mạnh dòng chảy (SPI)
Sức mạnh dòng chảy (SPI) là một số liệu liên

42


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

quan đến vận tốc của dịng chảy và gây ra xói mịn
cho vùng sơng, suối. Sức mạnh dịng chảy càng
lớn thì tốc độ xói mòn và ảnh hưởng càng lớn [4].
Bản đồ sức mạnh dòng chảy được thành lập bằng
phần mềm ArcGIS và được chia thành 6 lớp: 0 502.9279, 502.9279 - 2514.6396, 2514.6396 5783.6711, 5783.6711 - 11064.4141, 11064.4141
- 21374.4365, 21374.4365 - 64274.7731 (Hình
3.i). Phân tích tỷ số tần suất (FR) cho thấy rằng
sạt lở xảy ra lớn nhất ở lớp 0 - 502.9279 với FR =
1.01.

β là độ dốc địa hình tính bằng độ.
3.2.11. Khoảng cách đến sơng suối

Trong đó, As là diện tích khu vực thu nước,
β là độ dốc địa hình tính bằng độ.

Sơng suối ảnh hưởng tới q trình xảy ra sạt
lở đất do các mái dốc gần sông suối thường có độ
ẩm cao hơn các khu vực khác [8]. Ngồi ra, các
dịng nước ở khu vực có sơng suối có tác động cơ
học trực tiếp tới đất đá của mái dốc. Trong nghiên
cứu này, khoảng cách tới sông suối được lựa
chọn để phân tích mối quan hệ với quá trình xảy

ra sạt lở đất. Hệ thống sơng suối được trích xuất
từ bản đồ địa hình tỷ lệ 1: 50000. Bản đồ khoảng
cách tới sông suối được xây dựng thành 6 lớp: 0
- 100, 100 - 200, 200 - 300, 300 - 400, 400 - 500,
> 500 (Hình 3.k). Kết quả phân tích tỷ số tần suất
(FR) cho thấy rằng sạt lở xảy ra lớn nhất ở lớp 100
– 200m với FR = 7.96.

3.2.10. Độ ẩm địa hình (TWI)

3.2.12. Khoảng cách đến đường giao thơng

Độ ẩm địa hình (TWI) là một số liệu dựa
trên tỷ lệ hoặc vùng lưu vực đến góc dốc [13].
Nó cung cấp một thước đo độ ẩm của đất có sự
liên quan tích cực với sự xuất hiện sạt lở đất.
Bản đồ sức mạnh dòng chảy được thành lập
bằng phần mềm ArcGIS và được chia thành 6
lớp: 2.5029 - 4.7776, 4.7776 - 5.7298, 5.7298 6.8407, 6.8407 - 8.2689, 8.2689 - 10.1733,
10.1733 - 16.0452 (Hình 3.j). Phân tích tỷ số tần
suất (FR) cho thấy rằng sạt lở xảy ra lớn nhất ở
lớp 5.7298 - 6.8407 với FR = 1.14.

Quá trình cắt mái dốc để xây dựng các tuyến
đường giao thông thường tác động trực tiếp tới
mái dốc, làm mất tính liên tục của đất đá của mái
dốc, tạo ra khu vực tích tụ nước làm giảm cường
độ của đất đá trên mái dốc ảnh hưởng tới quá trình
xảy ra sạt lở đất [8]. Trong nghiên cứu này,
khoảng cách tới đường giao thông được lựa chọn

để đánh giá sự ảnh hưởng của đường giao thơng
tới q trình xảy ra sạt lở đất. Hệ thống đường
giao thơng được trích xuất từ bản đồ địa hình tỷ lệ
1:50000. Bản đồ khoảng cách tới sông suối được
xây dựng thành 6 lớp: 0 - 100, 100 - 200, 200 300, 300 - 400, 400 - 500, > 500 (Hình 3.m). Kết
quả phân tích tỷ số tần suất (FR) cho thấy rằng sạt
lở xảy ra lớn nhất ở lớp 300 – 400m với FR = 3.66.

Giá trị SPI được tính tốn bằng phương
trình:
TWI = As . tanβ

(2)

Giá trị TWI có thể được xây dựng như sau:
A

TWI = Ln(tans )

(3)

β

Trong đó, As là diện tích khu vực thu nước,

Bảng 1. Tỷ số tần suất của các yếu tố ảnh hưởng
Các
yếu tố

Số

lớp

Các lớp

Số điểm
ảnh của
các lớp

Số điểm
ảnh sạt
lở đất

Phần trăm
điểm ảnh
các lớp

Phần trăm
điểm ảnh
sạt lở đất

Tỷ số
tần
suất

1

0 - 8.332718

204130

3

7.35

2.7

0.37

2

8.332719 - 13.97747

330548

11

11.91

9.91

0.83

13.97747 - 18.8158

420493

19

15.15

17.12

1.13

18.8158 - 23.11658

459772

18

16.56

16.22

0.98

23.11658 - 27.14853

451661

20

16.27

18.02

1.11

6

27.14853 - 31.18049

391143

27

14.09

24.32

1.73

7

31.18049 - 35.75004

291349

7

10.5

6.31

0.60

3
Góc
mái dốc 4
(o)

5

43


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

8

35.75004 - 41.93238

170631

5

6.15

4.5

0.73

9

41.93238 - 68.54333

56259

1

2.03

0.9

0.45

1

Mặt bằng

172

0

0.01

0

0

2

Bắc

407675

14

14.63

12.61

0.86

3

Đông bắc

397730

8

14.27

7.21

0.50

Đông

352861

10

12.66

9.01

0.71

Đông nam

336300

15

12.07

13.51

1.12

Nam

351381

20

12.61

18.02

1.43

7

Tây nam

340648

25

12.22

22.52

1.84

8

Tây

296405

12

10.64

10.81

1.02

9

Tây bắc

303495

7

10.89

6.31

0.58

1

Lõm (<-0.05)

1350685

65

48.47

58.56

1.208

2

Mặt bằng (-0.05 - 0.05)

130906

6

4.7

5.41

1.151

3

Lồi (>0.05)

1305076

40

46.83

36.04

0.77

1

291 - 570

257069

49

9.22

44.14

4.785

2

570 - 679

511684

24

18.36

21.62

1.178

3

679 - 786

484500

21

17.39

18.92

1.088

Độ cao 4
địa hình 5
(m)
6

786 - 894

438012

11

15.72

9.91

0.630

894 - 1008

370718

1

13.3

0.9

0.068

1008 - 1139

289068

5

10.37

4.5

0.434

7

1139 - 1290

209225

0

7.51

0

0

8

1290 - 1464

146986

0

5.27

0

0

9

1464 - 1866

79405

0

2.85

0

0

1

0.00492 - 0.15494

162956

12

5.85

10.81

1.848

2

0.15494 - 0.20495

370883

53

13.31

47.75

3.587

3

0.20495 - 0.24603

583470

32

20.94

28.83

1.376

4

0.24603 - 0.28353

697029

9

25.01

8.11

0.324

5

0.28353 - 0.32283

622304

3

22.33

2.7

0.121

6

0.32283 - 0.46213

350025

2

12.56

1.8

0.143

1

Hệ địa tầng Cretaceous

2266388

69

81.34

62.16

0.76

2

Hệ địa tầng Paleogene

46644

8

1.67

7.21

4.31

3

Hệ địa tầng Permian

215775

25

7.74

22.52

2.91

4

Hệ địa tầng Triassic

257420

9

9.24

8.11

0.88

1

0 - 100

136579

5

4.9

4.5

0.919

2

100 - 200

133670

9

4.8

8.11

1.690

3

200 - 300

130962

8

4.7

7.21

1.534

4

300 - 400

126785

7

4.55

6.31

1.386

5

400 - 500

121805

9

4.37

8.11

1.855

6

> 500

2136866

73

76.68

65.77

0.858

4
Hướng
5
mái dốc
6

Hình
dáng
bề mặt

NDVI

Địa
chất

Khoảng
cách
đứt gãy
(m)

44

JSTT 2022, 2 (1), 36-56

1

2688232

109

96.47

98.2

1.018

103 - 400

68217

2

2.45

1.8

0.736

400 - 930

20363

0

0.73

0

0

930 - 1868

7455

0

0.27

0

0

5

1868 - 3675

1995

0

0.07

0

0

6

3675 - 8956

405

0

0.01

0

0

1

0 - 502.9279

2649881

107

95.09

96.4

1.013

2

502.9279 - 2514.6396

108414

4

3.89

3.6

0.926

3

2514.6396 - 5783.6711

20376

0

0.73

0

0

4

5783.6711 - 11064.414

6145

0

0.22

0

0

5

11064.414 - 21374.436

1616

0

0.06

0

0

6

21374.436 - 64274.773

235

0

0.01

0

0

1

2.5029 - 4.7776

682857

24

24.5

21.62

0.88

2

4.7776 - 5.7298

985194

43

35.35

38.74

1.10

3

5.7298 - 6.8407

615762

28

22.1

25.23

1.14

4

6.8407 - 8.2689

289670

11

10.39

9.91

0.95

5

8.2689 - 10.1733

142533

4

5.11

3.6

0.70

6

10.1733 - 16.0452

70651

1

2.54

0.9

0.36

1

0 - 100

102483

29

3.68

26.13

7.10

2

100 - 200

94657

30

3.4

27.03

7.96

3

200 - 300

92179

6

3.31

5.41

1.63

4

300 - 400

92764

3

3.33

2.7

0.81

5

400 - 500

85294

2

3.06

1.8

0.59

6

> 500

2319290

41

83.23

36.94

0.44

1

0 - 100

42287

6

1.52

5.41

3.562

2

100 - 200

41661

3

1.5

2.7

1.808

3

200 - 300

41453

8

1.49

7.21

4.845

4

300 - 400

41125

6

1.48

5.41

3.663

5

400 - 500

40650

4

1.46

3.6

2.470

6

> 500

2579491

84

92.57

75.68

0.818

2
Tích lũy
3
dịng
4

chảy

SPI

TWI

Khoảng
cách
đến
sơng
suối
(m)

Khoảng
cách
đến
đường
giao
thơng
(m)

0 - 103

Nguyễn và nnk

45


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

46


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

Hình 3. (a) Góc mái dốc, (b) Hướng mái dốc, (c) Hình dáng bề mặt địa hình, (d) Độ cao địa hình, (e)
Bao phủ thực vật (NDVI), (f) Địa chất, (g) Khoảng cách đứt gãy, (h) Tích lũy dịng chảy, (i) Sức mạnh
dịng chảy (SPI), (j) Độ ẩm địa hình (TWI), (k) Khoảng cách đến sông suối, (m) Khoảng cách đến
đường giao thông

47


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

4. Phương pháp nghiên cứu

Gain(E, A) =

4.1. Cây quyết định (DT)
Cây quyết định còn được gọi là cây phân loại
phân cấp là một thuật toán quan trọng trong học
máy. Một số thuật toán của cây quyết định đã
được đề xuất như: ID3 áp dụng cho bài toán phân

loại [14], CART áp dụng cho cả bài toán phân loại
và hồi quy [15]. Gần đây, Quinlan [1] đã giới thiệu
thuật toán phân loại C4.5 là phiên bản nâng cao
của thuật tốn ID3. Kể từ đó, C4.5 đã được coi là
một mơ hình tiêu chuẩn trong phân loại có giám
sát. Một mơ tả chi tiết về thuật tốn C4.5 có thể
được nhìn thấy ở Quinlan [1]. Có hai bước trong
việc xây dựng cây quyết định: Xây dựng cây và tỉa
cây [16]. Bước đầu tiên của cây quy trình là tìm hệ
số đầu vào với tập dữ liệu đào tạo, sau đó chọn
nút gọi là gốc nút. Tập dữ liệu đào tạo được phân
chia dựa trên các giá trị ban đầu và được tạo nút
phụ và tỷ lệ tăng được ước tính cho mỗi nút phụ.
Các biến có tỷ lệ tăng cao nhất được chọn và phân
vùng đệ quy của bộ dữ liệu đào tạo được tiếp tục
cho đến khi tất cả các trường hợp trong tập dữ liệu
đào tạo được gán để mất các nút hoặc không có
các biến hoặc dữ liệu đào tạo có thể được chia
thêm. Do đó, việc cắt tỉa được thực hiện bằng
cách loại bỏ các nút khơng cần thiết nhưng với độ
chính xác được bảo đảm [6].
Các tiêu chí ước tính được sử dụng để xác
định các biến đầu vào được dựa trên việc giảm
entropy và công thức sau đây đã khắc phục thông
tin thu được [1]:
n

Entropy(E) = − ∑ Pi log 2 Pi
i=1

Entropy(E) −

∑
v∈Values(A)

|Ev |
Entropy(Ev )²
|E|

Trong đó, các giá trị (A) cung cấp tên miền
thuộc tính hỗ trợ (A), Ev biểu thị tập hợp con của
E; giá trị tương ứng (A) là v cho mỗi bản ghi, |Ev|
and |E| chỉ ra Ev và E, tương ứng.
4.2. Cây quyết định xen kẽ (ADT)
Cây quyết định xen kẽ là sự kết hợp giữa
cây quyết định và thuật toán thúc đẩy, và được đề
xuất bởi [18]. Mơ hình ADT có độ chính xác cao
hơn cây mơ hình tiêu chuẩn trong các bài tốn
phân loại [19]. Nói chung, mơ hình ADT bao gồm
hai loại nút: nút bộ chia và nút dự đoán. Nút bộ
tách phân chia dữ liệu dựa trên các giá trị thuộc
tính đã chọn và nút dự đoán bao gồm điểm số
được sử dụng để đưa ra dự đoán [13]. Một thước
đo cơ bản ánh xạ từ cá thể sang số thực bao gồm
một dự đoán c1, một điều kiện cơ sở c2 và hai số
thực: a và b. Dự đoán là a khi c1 ∩ c2 hoặc b khi
c1 ∩ - c2. Giá trị của a và b được tính bằng các
cơng thức sau.
1 W+ (c1 ∩ c2 )
1 W+ (c1 ∩− c2 )

a = ln
, b = ln
2 W− (c1 ∩ c2 )
2 W− (c1 ∩− c2 )

Trong đó n là số lớp trong miền của tập dữ
liệu E; Pi là tỷ lệ của số lượng các thành phần lớp
i về tổng số dữ liệu được đặt E.
Thông tin thu được được sử dụng để đo
mức giảm dự kiến ở mức phân cấp thấp hơn ngay
lập tức, trong đó các bộ dữ liệu được tinh chế bằng
một thuộc tính hỗ trợ khác [17]. Thơng tin thu được
có thể được viết như sau:

(6)

Trong đó c1 và c2 tốt nhất được chọn bằng
cách thu nhỏ Z t (c1, c2) và được định nghĩa là:
Zt (c1 , c2 )
= 2 (√W+ (c1 ∩ c2 ). W− (c1 ∩ c2 )
+ √W+ (c1 ∩− c2 ). W− (c1 ∩− c2 ))

(4)

(5)

(7)

+ W(−C2 )
Giả sử M là các quy tắc thiết lập cơ sở, sau

đó một quy tắc mới có thể được định nghĩa là Mt
+ 1 = Mt + r.t(x) hiển thị hai giá trị dự đoán (a và b)
tại mỗi thời điểm sau của cây và x là một tập các
trường hợp. Sự phân loại có thể được coi là dấu
hiệu tích lũy các giá trị dự đoán trong Mt +1.
T

class(x) = sign (∑ rt (x))

(8)

i=1

48


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

4.3. Phương pháp xác nhận
4.3.1. Đường cong đặc hiệu (ROC/AUC)
Một trong những chỉ số thống kê đánh giá
phổ biến và nổi tiếng nhất là các đặc điểm hoạt
động của người nhận AUC. Các kết quả cụ thể
của AUC có thể được khái quát và đáng tin cậy.
Phương pháp AUC là một phương thức dựa trên
xác suất có thể đánh giá các thuật tốn ở nhiều
ngưỡng [3]. Biểu đồ AUC bao gồm hai trục x và y.
Mỗi trục đại diện cho các đặc điểm của tính đặc

hiệu và độ nhạy tương ứng tương ứng [2]. Diện
tích dưới đường cong AUC thường được sử dụng
như một tiêu chí để đo độ chính xác dự đốn của
các thuật toán. Giá trị AUC thay đổi giữa "0,5 - 1".
Giá trị 0,5 cho thấy hiệu suất kém của các thuật
toán trong việc dự đoán sự nhạy cảm với các mối
nguy hiểm sạt lở. Giá trị tiệm cận 1 cho thấy hiệu
suất mạnh mẽ của các thuật toán trong việc dự
đốn độ nhạy cảm với sạt lở đất. Nói chung, giá trị
AUC càng gần 1 độ chính xác của thuật tốn càng
cao, trong khi gần 0,5 độ chính xác của thuật tốn
càng thấp hơn [20]. Phương trình của phương
pháp đánh giá bằng phương pháp AUC như sau:

AUC =

  TP+  TN
P+ N

(9)

Trong đó, TP là số lượng sạt lở đất được
phân loại chính xác, TN là số lượng khơng sạt lở
đất phân loại chính xác, P là tổng số lượng sạt lở
đất và N là tổng số không sạt lở đất.
4.3.2. Chỉ số thống kê
Các chỉ số thống kê được sử dụng để đánh
giá hiệu suất của các mô hình bao gồm: giá trị dự
đốn tích cực (PPV), giá trị dự đoán âm (NPV), độ
nhạy (SST) , độ đặc hiệu (SPF), độ chính xác

(ACC), Kappa Index (K), căn của sai số tồn
phương trung bình gốc (RMSE), sai số tuyệt đối
trung bình (MAE) [21]. Chỉ báo K là một biện pháp
thống kê hiệu quả giúp đo lường sự đồng thuận
ngẫu nhiên giữa các yếu tố phân loại. K thay đổi
giữa 1 và 0. Nếu các giá trị K gần gũi với 1, nó cho
thấy độ tin cậy cao và độ tin cậy của thuật toán
trong việc dự đoán sự nhạy cảm sạt lở đất. Tiêu
chí ACC ước tính tỷ lệ hoặc dự báo chính xác để

dự báo tồn bộ sạt lở [8]. RMSE cho biết sự khác
biệt giữa dữ liệu được quan sát và dữ liệu ước
tính. MAE là một phạm vi sai số giữa các quan sát
nhị phân. Các giá trị cao hơn của SPF, PPV, NPV,
ACC, SST, K và các giá trị thấp hơn của RMSE và
MAE cho biết hiệu suất cao hơn của mơ hình trong
việc dự đốn sự nhạy cảm sạt lở đất. Mơ tả chi tiết
và tính tốn các chỉ số được trình bày trong các tài
liệu được công bố [49, 53].
TP
SST =
(10)
TP + FN
TN
(11)
SPF =
TN + FP
TP
(12)
PPV =

FP + TP
TN
(13)
NPV =
FN + TN
TP + TN
(14)
ACC =
TP + TN + FP + FN
Pp− Pexp
K=
(15)
1 − Pexp
n

1
RMSE = √ ∑(X predicted − X actual )²
n

(16)

i−1

1
(17)
MAE = ∑|X predicted − X actual |
n
Trong đó, TP là số lượng sạt lở đất được
phân loại chính xác, TN là số lượng khơng sạt lở
đất phân loại chính xác, FN là số lượng sạt lở đất

phân loại giả và FN là số lượng không sạt lở đất
phân loại giả, n tổng số lượng mẫu trong tập dữ
liệu, Xpredicted và Xactual là các giá trị dự đoán và thực
tế trong bộ dữ liệu, Pp là số lượng sạt lở quan sát
được và Pexp là số lượng sạt lở ước tính.
5. Kết quả và thảo luận
5.1. Phân tích kết quả mơ hình
Trong nghiên cứu, đường cong đặc hiệu
AUC đã được sử dụng để phân tích dữ liệu đào
tạo của từng mơ hình và hiệu suất. Hai mơ hình
ADT và DT đã được đào tạo với bộ liệu đào tạo và
kết quả được hiển thị trong (Hình 4.a). Bằng cách
so sánh giá trị AUC, mơ hình ADT cho thấy hiệu
suất tốt nhất với (AUC = 0.928) theo sau là mơ
hình DT (AUC = 0.915). Kiểm chứng hai mơ hình
(Hình 4.b) cũng cho thấy mơ hình ADT(AUC =
0.887) có kết quả cao hơn DT(AUC = 0.800).

49


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

Hình 4. Giá trị AUC của các mơ hình khác nhau: (a) Bộ dữ liệu đào tạo, (b) Bộ dữ liệu kiểm chứng
Kết quả phân tích chỉ số thống kê được trình
= 75.00%, SPF = 85.00%, ACC = 79.17% và K =
bày trong Bảng 2. Phân tích kết quả cho bộ dữ liệu
0.58. Giá trị căn của sai số tồn phương trung bình

đào tạo cho thấy mơ hình ADT có chỉ thơng kê tốt
gốc RMSE và sai số tuyệt đối trung bình MAE của
hơn mơ hình DT với giá trị: PPV = 82.88%, NPV =
mơ hình ADT cho cả dữ liệu đào tạo, kiểm chứng
80.18%, SST = 80.70%, SPF = 82.41%, ACC =
đều nhỏ hơn mơ hình DT có thể nhận thấy trong
81.53% và K = 0.63. Kết quả bộ dữ liệu kiểm
Bảng 2 và Hình 5. Phân tích kết quả cho thấy mơ
chứng cũng cho giá trị cao hơn với PPV = 87.50%
hình ADT có hiệu suất đào tạo và kiểm chứng tốt
có giá trị cao nhất, tiếp theo là NPV = 70.83%, SST
hơn mơ hình DT.
Bảng 2. Hiệu suất của mơ hình
STT

Tham số

Dữ liệu đào tạo
ADT

Dữ liệu kiểm chứng

DT

ADT

DT

1

TP

92

54

42

13

2

TN

89

111

34

45

3

FP

19

57

6

35

4

FN

22

0

14

3

5

PPV (%)

82.88

48.65

87.50

27.08

6

NPV (%)

80.18

100.00

70.83

93.75

7

SST (%)

80.70

100.00

75.00

81.25

8

SPF (%)

82.41

66.07

85.00

56.25

9

ACC (%)

81.53

74.32

79.17

60.42

10

K

0.63

0.49

0.58

0.208

11

MAE

0.30

0.39

0.33

0.429

50


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

Hình 5. Giá trị căn của sai số tồn phương trung bình gốc (RMSE) của mơ hình ADT và DT
5.2. Đánh giá độ tin cậy của bản đồ phân vùng
sạt lở đất khu vực nghiên cứu

mơ hình và bản đồ nhạy cảm sạt lở đất được sử dụng

Để đánh giá độ tin cậy của bản đồ dự báo

này lên các lớp nhạy cảm sạt lở đất của bản đồ dự

không gian sạt lở đất khu vực nghiên cứu, 30% các

báo không gian sạt lở đất. Bản đồ phân vùng nhạy

vụ sạt lở đất chưa được sử dụng trong việc xây dựng

cảm được chia thành 5 lớp theo Hình 6.a và Hình 6.b

để kiểm chứng. Bằng việc chồng lấn các vụ sạt lở đất

Hình 6. Bản đồ nhạy cảm sạt lở đất khu vực nghiên cứu: (a) mơ hình ADT và (b) mơ hình DT

51


JSTT 2022, 2 (1), 36-56

Nguyễn và nnk

Hình 7. Phần trăm các vụ sạt lở đất và tỷ số tần suất của các lớp nhạy cảm sạt lở đất
bao gồm: Rất thấp, thấp, trung bình, cao và rất cao.
Phương pháp "Natural break" trong phần mềm
ArcGIS 10.8 đã được sử dụng để phân chia các lớp
[54]. Kết quả phân tích được thể hiện trên (Hình 7)
cho thấy, phần trăm các vụ sạt lở đất của mơ hình
ADT có giá trị lần lượt là 77.08% và 12.5% nằm trong
khu vực cao và rất cao trong khi chỉ có 6.25%, 4.17%,
0% các vụ sạt lở đất được xác định nằm trong khu
vực nhạy cảm trung bình, thấp và rất thấp. Đối với mơ
hình DT chỉ có 33.33%, 29.17% nằm trong khu vực
cao và rất cao, các giá 10.41%, 22.92%, 4.17% nằm
trong khu vực nhạy cảm trung bình, thấp và rất thấp.
Những kết quả phân tích trên cho thấy rằng, bản đồ

nhạy cảm sạt lở được xây dựng bằng mơ hình ADT
có kết quả tốt hơn so với mơ hình cịn lại và bản đồ
nhạy cảm có thể sử dụng tốt để dự báo sạt lở đất tại
khu vực nghiên cứu.
6. Kết luận
Trong nghiên cứu hiện tại, hai mơ hình đã được
áp dụng đó là mơ hình ADT và DT để lập bản đồ dự
báo không gian sạt lở đất cho khu vực huyện Mường
Nhé, tỉnh Điện Biên. Kết quả phân tích thống kê dữ liệu
mơ hình ADT (AUCtrain = 0.928, AUCtest = 0.887) có
hiệu suất đào tạo, kiểm chứng cao hơn so với mô hình
DT (AUCtrain = 0.915, AUCtest = 0.800). Bản đồ dự

báo khơng gian sạt lở đất cho thấy rằngmơ hình ADT
đã phân định khoảng 77.08% và 12.5% diện tích khu
vực nghiên cứu vào các khu vực có xắc xuất xảy ra sạt
lở đất cao và rất cao trong khi đó mơ hình DT chỉ có
kết quả tương ứng là: 33.33%, 29.17%. Đánh giá kết
quả cho thấy mơ hình ADT là cơng cụ có độ chính xác
cao trong việc xây dựng bản đồ dự báo khơng gian sạt
lở đất, mơ hình này cũng có thể được áp dụng cho các
khu vực khác.
Tài liệu tham khảo
[1]. S. ChakrabortyandR. Pradhan. (2012).
Development of GIS based landslide
information system for the region of East
Sikkim. International Journal of Computer
Applications, 49(7).
[2]. D. Kanungo, M. Arora, S. SarkarandR.
Gupta. (2012). Landslide Susceptibility

Zonation (LSZ) Mapping–A Review.
[3]. M. Ercanoglu,
O. KasmerandN. Temiz.
(2008). Adaptation and comparison of expert
opinion to analytical hierarchy process for
landslide susceptibility mapping. Bulletin of
Engineering Geology and the Environment,
67(4), 565-578.
[4]. B.T. Pham, T. Van Phong, T. Nguyen-Thoi,
P.T. Trinh, Q.C. Tran, L.S. Ho, S.K. Singh,
T.T.T. Duyen,
L.T. NguyenandH.Q. Le.

52


JSTT 2022, 2 (1), 36-56
(2020). GIS-based ensemble soft computing
models for landslide susceptibility mapping.
Advances in Space Research, 66(6), 13031320.
[5]. C.J. Van Westen,
N. Rengers,
M.
TerlienandR. Soeters. (1997). Prediction of
the
occurrence
of
slope
instability
phenomenal through GIS-based hazard

zonation. Geologische Rundschau, 86(2),
404-414.
[6]. A. Erener, A. MutluandH.S. Düzgün. (2016).
A
comparative
study
for
landslide
susceptibility mapping using GIS-based multicriteria decision analysis (MCDA), logistic
regression (LR) and association rule mining
(ARM). Engineering geology, 203, 45-55.
[7]. S. MondalandR. Maiti. (2013). Integrating the
analytical hierarchy process (AHP) and the
frequency ratio (FR) model in landslide
susceptibility
mapping
of
Shiv-khola
watershed, Darjeeling Himalaya. International
Journal of Disaster Risk Science, 4(4), 200212.
[8]. P. Kayastha, M.R. DhitalandF. De Smedt.
(2013). Application of the analytical hierarchy
process (AHP) for landslide susceptibility
mapping: A case study from the Tinau
watershed, west Nepal. Computers &
Geosciences, 52, 398-408.
[9]. M. Gholami,
E.N. Ghachkanlu,
K.
KhosraviandS. Pirasteh. (2019). Landslide

prediction capability by comparison of
frequency ratio, fuzzy gamma and landslide
index method. Journal of Earth System
Science, 128(2), 1-22.
[10]. S. Ma, H. Qiu, S. Hu, Y. Pei, W. Yang,
D. YangandM. Cao. (2020). Quantitative
assessment of landslide susceptibility on the
Loess Plateau in China. Physical Geography,
41(6), 489-516.
[11]. W. Chen, X. Xie, J. Wang, B. Pradhan,
H. Hong, D.T. Bui, Z. DuanandJ. Ma. (2017).
A comparative study of logistic model tree,
random forest, and classification and
regression tree models for spatial prediction of

Nguyễn và nnk
landslide susceptibility. Catena, 151, 147160.
[12]. H. Hong, J. Liu, A.-X. Zhu, H. Shahabi,
B.T. Pham, W. Chen, B. PradhanandD.T.
Bui. (2017). A novel hybrid integration model
using support vector machines and random
subspace for weather-triggered landslide
susceptibility assessment in the Wuning area
(China). Environmental Earth Sciences,
76(19), 652.
[13]. B. Kalantar, B. Pradhan, S.A. Naghibi, A.
MotevalliandS. Mansor. (2018). Assessment
of the effects of training data selection on the
landslide
susceptibility

mapping:
a
comparison between support vector machine
(SVM), logistic regression (LR) and artificial
neural networks (ANN). Geomatics, Natural
Hazards and Risk, 9(1), 49-69.
[14]. A. Aditian, T. KubotaandY. Shinohara.
(2018). Comparison of GIS-based landslide
susceptibility models using frequency ratio,
logistic regression, and artificial neural
network in a tertiary region of Ambon,
Indonesia. Geomorphology, 318, 101-111.
[15]. H. Hong, J. Liu, D.T. Bui, B. Pradhan,
T.D. Acharya, B.T. Pham, A.-X. Zhu, W.
ChenandB.B. Ahmad. (2018). Landslide
susceptibility mapping using J48 Decision
Tree with AdaBoost, Bagging and Rotation
Forest ensembles in the Guangchang area
(China). Catena, 163, 399-413.
[16]. W. Chen, X. Xie, J. Peng, J. Wang, Z.
DuanandH. Hong. (2017). GIS-based
landslide
susceptibility
modelling:
a
comparative assessment of kernel logistic
regression, Naïve-Bayes tree, and alternating
decision tree models. Geomatics, Natural
Hazards and Risk, 8(2), 950-973.
[17]. I.N. Aghdam, B. PradhanandM. Panahi.

(2017). Landslide susceptibility assessment
using a novel hybrid model of statistical
bivariate methods (FR and WOE) and
adaptive neuro-fuzzy inference system
(ANFIS) at southern Zagros Mountains in Iran.
Environmental Earth Sciences, 76(6), 237.

53


JSTT 2022, 2 (1), 36-56
[18]. C. Polykretis,
C. ChalkiasandM.
Ferentinou. (2017). Adaptive neuro-fuzzy
inference system (ANFIS) modeling for
landslide susceptibility assessment in a
Mediterranean hilly area. Bulletin of
Engineering Geology and the Environment, 115.
[19]. A. Priyam, G. Abhijeeta, A. RatheeandS.
Srivastava. (2013). Comparative analysis of
decision tree classification algorithms.
International Journal of current engineering
and technology, 3(2), 334-337.
[20]. N. Van Hung, H.Q. VinhandN.V. Huong.
(2016). Tectono-structural system and
geodynamic features of Northwest Vietnam in
the late Cenozoic period. Vietnam Journal of
Earth Sciences, 38(1), 38-45.
[21]. N. Van Liem, N.P. Dat, B.T. Dieu, V. Van
Phai, P.T. Trinh, H.Q. VinhandT. Van Phong.

(2016). Assessment of geomorphic processes
and active tectonics in Con Voi mountain
range area (Northern Vietnam) using the
hypsometric curve analysis method. Vietnam
Journal of Earth Sciences, 38(2), 202-216.
[22]. D.T. Bui, P.-T.T. Ngo, T.D. Pham, A.
Jaafari, N.Q. Minh, P.V. HoaandP. Samui.
(2019). A novel hybrid approach based on a
swarm intelligence optimized extreme
learning machine for flash flood susceptibility
mapping. Catena, 179, 184-196.
[23]. B.T. Pham, D. Tien Bui, P. IndraandM.
Dholakia. (2015). Landslide susceptibility
assessment at a part of Uttarakhand
Himalaya, India using GIS–based statistical
approach of frequency ratio method. Int J Eng
Res Technol, 4(11), 338-344.
[24]. P.T. Nguyen, T.T. Tuyen, A. Shirzadi,
B.T. Pham, H. Shahabi, E. Omidvar, A.
Amini, H. Entezami, I. PrakashandT.V.
Phong. (2019). Development of a novel hybrid
intelligence approach for landslide spatial
prediction. Applied Sciences, 9(14), 2824.
[25]. L. Ayalew, H. YamagishiandN. Ugawa.
(2004). Landslide susceptibility mapping
using
GIS-based
weighted
linear
combination, the case in Tsugawa area of

Nguyễn và nnk
Agano River, Niigata Prefecture, Japan.
Landslides, 1(1), 73-81.
[26]. S. LeeandJ.A. Talib. (2005). Probabilistic
landslide susceptibility and factor effect
analysis. Environmental Geology, 47(7), 982990.
[27]. E.
YesilnacarandT.
Topal.
(2005).
Landslide
susceptibility
mapping:
a
comparison of logistic regression and neural
networks methods in a medium scale study,
Hendek
region (Turkey).
Engineering
Geology, 79(3-4), 251-266.
[28]. D.T. Bui, T.C. Ho, I. Revhaug, B.
PradhanandD.B. Nguyen. (2014). Landslide
susceptibility mapping along the national road
32 of Vietnam using GIS-based J48 decision
tree classifier and its ensembles. In
Cartography from pole to pole, Springer: pp
303-317.
[29]. Q. Meng, F. Miao, J. Zhen, X. Wang, A.
Wang, Y. PengandQ. Fan. (2016). GIS-based

landslide susceptibility mapping with logistic
regression, analytical hierarchy process, and
combined fuzzy and support vector machine
methods: a case study from Wolong Giant
Panda Natural Reserve, China. Bulletin of
Engineering Geology and the Environment,
75(3), 923-944.
[30]. D.T. Bui, P. Tsangaratos, P.-T.T. Ngo,
T.D. PhamandB.T. Pham. (2019). Flash flood
susceptibility modeling using an optimized
fuzzy rule based feature selection technique
and tree based ensemble methods. Science
of the total environment, 668, 1038-1054.
[31]. H.R. Pourghasemi,
B. PradhanandC.
Gokceoglu. (2012). Application of fuzzy logic
and analytical hierarchy process (AHP) to
landslide susceptibility mapping at Haraz
watershed, Iran. Natural hazards, 63(2), 965996.
[32]. P.R. Kadavi, C.-W. LeeandS. Lee. (2018).
Application of ensemble-based machine
learning models to landslide susceptibility
mapping. Remote Sensing, 10(8), 1252.
[33]. C.P. Poudyal, C. Chang, H.-J. OhandS.
Lee. (2010). Landslide susceptibility maps

54


JSTT 2022, 2 (1), 36-56

comparing frequency ratio and artificial neural
networks: a case study from the Nepal
Himalaya. Environmental Earth Sciences,
61(5), 1049-1064.
[34]. J.P. WilsonandJ.C. Gallant. (2000).
Terrain analysis: principles and applications.
John Wiley & Sons.
[35]. B.T. Pham, T. Nguyen-Thoi, C. Qi, T. Van
Phong, J. Dou, L.S. Ho, H. Van LeandI.
Prakash. (2020). Coupling RBF neural
network with ensemble learning techniques
for landslide susceptibility mapping. Catena,
195, 104805.
[36]. B.T. Pham, T.V. Phong, T. Nguyen-Thoi,
K. Parial, S. K. Singh, H.-B. Ly, K.T. Nguyen,
L.S. Ho, H.V. LeandI. Prakash. (2020).
Ensemble modeling of landslide susceptibility
using random subspace learner and different
decision
tree
classifiers.
Geocarto
International, 1-23.
[37]. J.R. Quinlan. (1987). Simplifying decision
trees. International journal of man-machine
studies, 27(3), 221-234.
[38]. D. SteinbergandP. Colla. (2009). CART:
classification and regression trees. The top
ten algorithms in data mining, 9, 179.
[39]. J.R. Quinlan. (2014). C4. 5: programs for

machine learning. Elsevier.
[40]. D.T. Bui, B. Pradhan, I. RevhaugandC.T.
Tran. (2014). A comparative assessment
between the application of fuzzy unordered
rules induction algorithm and J48 decision
tree models in spatial prediction of shallow
landslides at Lang Son City, Vietnam. In
Remote
sensing
applications
in
environmental research, Springer: pp 87-111.
[41]. M. Ahmadlou, M. Karimi, S. Alizadeh, A.
Shirzadi, D. Parvinnejhad, H. ShahabiandM.
Panahi.
(2019).
Flood
susceptibility
assessment using integration of adaptive
network-based fuzzy inference system
(ANFIS)
and
biogeography-based
optimization (BBO) and BAT algorithms (BA).
Geocarto International, 34(11), 1252-1272.
[42]. J.R. Quinlan. (1986). Induction of decision
trees. Machine learning, 1(1), 81-106.

Nguyễn và nnk
[43]. Y. FreundandL. Mason. (1999). In The

alternating decision tree learning algorithm.
icml, Citeseer: pp 124-133.
[44]. H.K. Sok, M.P.-L. Ooi, Y.C. KuangandS.
Demidenko. (2016). Multivariate alternating
decision trees. Pattern Recognition, 50, 195209.
[45]. A. Shirzadi,
K. Soliamani,
M.
Habibnejhad, A. Kavian, K. Chapi, H.
Shahabi, W. Chen, K. Khosravi, B. Thai
PhamandB. Pradhan. (2018). Novel GIS
based machine learning algorithms for
shallow landslide susceptibility mapping.
Sensors, 18(11), 3777.
[46]. M. Avand, S. Janizadeh, D. Tien Bui, V.H.
Pham, P.T.T. NgoandV.-H. Nhu. (2020). A
tree-based intelligence ensemble approach
for spatial prediction of potential groundwater.
International Journal of Digital Earth, 13(12),
1408-1429.
[47]. A. Jaafari. (2018). LiDAR-supported
prediction of slope failures using an integrated
ensemble weights-of-evidence and analytical
hierarchy process. Environmental Earth
Sciences, 77(2), 42.
[48]. W. Chen, H. Hong, M. Panahi, H.
Shahabi, Y. Wang, A. Shirzadi, S. Pirasteh,
A.A. Alesheikh, K. Khosravi, S. Panahi, F.
Rezaie, S. Li, A. Jaafari, D.T. BuiandB. Bin
Ahmad. (2019). Spatial Prediction of

Landslide Susceptibility Using GIS-Based
Data Mining Techniques of ANFIS with Whale
Optimization Algorithm (WOA) and Grey Wolf
Optimizer (GWO). Applied Sciences, 9(18),
3755.
[49]. V.-H. Nhu, A. Mohammadi, H. Shahabi,
B.B. Ahmad, N. Al-Ansari, A. Shirzadi, M.
Geertsema,
V.
R
Kress,
S.
KarimzadehandK.J.F. Valizadeh Kamran.
(2020). Landslide Detection and Susceptibility
Modeling on Cameron Highlands (Malaysia):
A Comparison between Random Forest,
Logistic Regression and Logistic Model Tree
Algorithms. 11(8), 830.
[50]. D.-H. Lee, Y.-T. KimandS.-R.J.R.S. Lee.
(2020). Shallow Landslide Susceptibility
Models Based on Artificial Neural Networks

55


JSTT 2022, 2 (1), 36-56
Considering the Factor Selection Method and
Various Non-Linear Activation Functions.
12(7), 1194.
[51]. R. PrăvălieandR. Costache. (2014). The

analysis of the susceptibility of the flashfloodsʼ genesis in the area of the
hydrographical basin of Bâsca Chiojdului
river. Forum geografic, XIII(1), 39-49.
[52]. P. De Rosa, A. FredduzziandC. Cencetti.
(2019). Stream Power Determination in GIS:
An
Index
to
Evaluate
the
Most
’Sensitive’Points of a River. Water, 11(6),
1145.
[53]. P. Yariyan, S. Janizadeh, T. Van Phong,
H.D. Nguyen, R. Costache, H. Van Le, B.T.

Nguyễn và nnk
Pham,
B.
PradhanandJ.P.J.W.R.M.
Tiefenbacher. (2020). Improvement of best
first decision trees using bagging and dagging
ensembles for flood probability mapping.
34(9), 3037-3053.
[54]. S. Roy, S. Pandit, M. Papia, M.M.
Rahman, J.C. Otto Rehder Ocampo, M.A.
Razi, P. Fraile-Jurado, N. Ahmed, M. AlAmin Hoque,
M.M. Hasan,
J.
YeasminandM.S. Hossain. (2021). Coastal

erosion risk assessment in the dynamic
estuary: The Meghna estuary case of
Bangladesh coast. International Journal of
Disaster Risk Reduction, 61, 102364.

56